Agile Data
Warehouse

Agilität mit Data Warehouse Automation!

trivadis analytical data management

Unter Data Warehouse (abgekürzt "DWH", inzwischen ist auch der eingedeutschte Begriff "Datenlager" etabliert) versteht man ein zentrales Datenbanksystem, welches auf Analysezwecke optimiert ist. Die Daten stammen aus externen, meist heterogenen Quellen und werden im Data-Warehousing-Prozess zusammengeführt. Die Datensammlung erfolgt in der Regel themenbezogen, wobei die Daten strukturiert in relationalen und denormalisierten Datenbanken dauerhaft gespeichert werden.

Ein wesentliches Merkmal von DWH ist die Historisierung von Datensätzen - diese verändern sich fortlaufend, wobei bestehende Daten nicht ständig überschrieben, sondern versioniert abgelegt werden. Dies ermöglicht Vergleiche von Daten innerhalb verschiedener Zeiträume (Beispiel: Quartals-Umsatzzahlen).


LEISTUNGSMERKMALE

  • Sehr kurze Time to Market
  • Hohe Zeit und Kosten Einsparungen
  • Hohe Qualität durch Standardisierung
  • Minimale Umsetzungsrisiken

«Ich bin überzeugt, dass das Tool den Entwicklungsaufwand für ein Data Warehouse um mindestens 50% reduziert.»

Mag. Markus Tanzer, Head of IT, Austria Tabak GmbH/JTI

Ziele des Data Warehousings

Data-Warehouse-Systeme wurden eingeführt, um Geschäftsprozesse im Unternehmen abteilungsübergreifend zu kontrollieren und zu steuern. Kundenrelevante Informationen bilden dabei die Basis einer Wertschöpfungskette, die u. U. auch zu einer Produktgenerierung führen kann. Hierbei werden aus verfügbaren Kundendaten wertvolle Informationen sowohl über den Kunden selbst als auch über den Markt gewonnen, um daraus Aktionen zu generieren. Das kann z. B. eine Produktentwicklung, eine Serviceleistung oder eine Marketingkampagne sein.

  • Schnelle Implementierung
  • Hohe Einsparungspotentiale
  • Best Practices & Standards

trivadis module bigenius

In der Praxis



Durch die Einführung von SQL-basierten Datenbanken und der digitalen Datenspeicherung wurde die Möglichkeit geschaffen, Verknüpfungen zwischen diesen Daten einzurichten. Um die wachsenden Datenmengen zielführend auswerten zu können, müssen diese in Relation gesetzt werden. Genau hier kommt DWH ins Spiel: Ohne Data Warehousing wäre keine Gesamtanalyse machbar, da die Auswertungen auf einzelne Datenquellen beschränkt bliebe. Die alltäglichen Einsatzgebiete sind vielfältig: Verborgene Zusammenhänge können leicht aufgedeckt werden, Statistiken und Berichte sind sehr schnell und in allen nur erdenklichen Formaten verfügbar. Beispielhaft seien hier Energieversorgungsunternehmen genannt: Verbrauchserfassung sowie die Abrechung liefern Daten ins DWH. Mit den so gewonnenen Daten können zielgruppenorientierte Analysen erstellt werden sowie Auswertungen nach Regionen, Haushaltsarten oder Altersklassen.

Modernes Data Warehousing mittels Automation



In der ursprünglichen Form des DWH bedient man sich an Methoden und Werkzeugen wie SQL-Datenbanksystemen oder dem Real Application Cluster von Oracle. Durch klassische manuelle Datenbankmodellierung wird bei heutigen Projektumfängen und Datenmengen schnell viel Entwicklerpersonal gebunden, was die Kosten in die Höhe treibt, außerdem ergeben sich bei der Softwareentwicklung Probleme, die ein Data-Warehouse-Projekt leicht ins Stocken geraten lassen. Hier ist Automation mit Agile Data Warehouse gefragt. Hierbei werden Methoden zur Effizienzsteigerung genutzt, alle integrierten DWH-Prozesse gewinnen an Effektivität. Hier setzt das Tool biGenius® an, ein innovatives Werkzeug, das einen schnellen und einfachen Aufbau von Data-Warehouse-Lösungen ermöglicht. biGenius® steht Ihnen beim Business Requirements Engineering genauso hilfreich zur Seite wie beim Erstellen aller erforderlichen Teilkomponenten. Funktionen zur ständigen Datenqualitätssicherung sind in diesem Tool integriert und die Daten-Beladeflusssteuerung wird laufend optimiert.

Gregor Zeiler

Trivadis, Senior Solution Manager Business Intelligence